青光眼是一类以进行性视神经损害为特征的致盲性眼病,目前已成为全球不可逆失明的首要原因。最近的研究表明,随着老龄人口的增加,青光眼的患病率将逐年上升,到2040年青光眼患者数量预计将超过1亿。青光眼的发病机制尚不完全明确,而且早期青光眼通常没有明显的症状,具有隐匿性。这导致存在大量不自知的青光眼患者,直到出现可察觉的视功能缺损时才会寻求医疗服务。大部分病例在初次就诊时已处于青光眼的中晚期阶段,因此通过眼科检查实现早期筛查和准确诊断对于保护患者的视力至关重要。眼科医生需要对眼底结构和视功能等多种检查数据进行全面的分析,才能进行有效诊断,但这一过程非常耗时耗力且相对主观。现有的医疗人力资源难以达到较理想的青光眼筛查效果。近年来深度学习在计算机视觉和医学图像处理领域取得了长足的发展,然而利用深度学习技术的青光眼辅助诊断算法尚未得到足够的关注,尤其是缺少基于视野（Visual Field,VF）和光学相干断层扫描（Optical Coherence Tomography,OCT）的多模态深度学习诊断算法研究。鉴于临床实践对青光眼自动诊断工具有着迫切的需求,本文开展面向青光眼辅助诊断的深度学习方法研究,主要内容和创新点如下:（1）本文第一个工作从中国7个眼科中心收集了超过1万例视野报告,用于评估仅基于VF统计分析图诊断青光眼的可行性。本工作提出了一种基于多个VF统计分析图的青光眼诊断算法,并基于该算法开发了一个青光眼智能筛查云平台。本工作具有三个优点:一是研究样本量大、来源多;二是通过使用多个视野分析图来提高模型的性能,该算法取得了优于三级医院的普通眼科医生的诊断性能;最后是开发了一个软件解决方案以在临床上部署该算法。（2）仅基于VF评估青光眼的信息较为有限,本文第二个工作借鉴临床诊断经验,提出了一种基于VF和OCT的联合诊断算法。通过注意力机制利用功能性与结构性评估的互补性来提高诊断准确性,并引入域泛化（Domain Generalization）技术来提高模型的通用性。该算法在来自多个眼科中心和多种OCT设备的数据上进行实验验证。实验结果表明,基于VF和OCT的多模态方法显著提升了青光眼诊断算法的性能。（3）医学研究表明青光眼的结构性损伤和功能性损伤之间存在空间对应关系。但上一个工作既没有充分利用结构与功能之间的空间对应关系,也没有多模态交互机制来实现两个模态的相互支持。本文第三个工作的创新点是一个基于深度学习的跨模态关系推理网络,主要包含关系推理和交互转换两个部分,其中关系推理包括数据驱动的全局关系推理和医学先验指导的分区关系推理,交互转换模块（Interaction Transformer Module）设计了一种多模态特征交互技术,从而实现全局与分区的结构-功能关系推理和特征融合。大量的实验表明VF与OCT数据在辨别青光眼病变方面相辅相成,该方法进一步提高青光眼联合诊断算法的性能。（4）前两个工作所提出的多模态算法需要配对的VF-OCT数据才能诊断青光眼。然而,在临床实践中,收集VF数据通常是较为困难的,这可能会阻碍多模态算法在筛查场景中的应用。为获得更通用的临床筛查算法,本文第四个工作提出了一种利用OCT-VF数据构建更准确的OCT模型的方法。该方法通过广义知识蒸馏技术将多模态网络（教师）的知识传递到OCT网络（学生）,并设计了一个新颖的异步特征正则化模块,使得学生网络在VF信息的辅助下获得具有更强表征能力的OCT特征。实验结果表明,与常规训练的OCT模型相比,该算法获得的OCT模型显著提升了单模态青光眼诊断算法的性能,并且可与多模态模型媲美。